設置允許延遲的時間是通過allowedLateness(lateness: Time)設置
保存延遲數據則是通過sideOutputLateData(outputTag: OutputTag[T])保存
獲取延遲數據是通過DataStream.getSideOutput(tag: OutputTag[X])獲取
下面先分別講解這幾個方法,再給出具體的實例加深理解
1、allowedLateness(lateness: Time)
def allowedLateness(lateness: Time): WindowedStream[T, K, W] = {
javaStream.allowedLateness(lateness)
this
}
該方法傳入一個Time值,設置允許數據遲到的時間,這個時間和waterMark中的時間概念不同。再來回顧一下,
waterMark=數據的事件時間-允許亂序時間值
隨着新數據的到來,waterMark的值會更新爲最新數據事件時間-允許亂序時間值,但是如果這時候來了一條歷史數據,waterMark值則不會更新。總的來說,waterMark是爲了能接收到儘可能多的亂序數據。
那這裏的Time值呢?主要是爲了等待遲到的數據,在一定時間範圍內,如果屬於該窗口的數據到來,仍會進行計算,後面會對計算方式仔細說明
注意:該方法只針對於基於event-time的窗口,如果是基於processing-time,並且指定了非零的time值則會拋出異常
2、sideOutputLateData(outputTag: OutputTag[T])
def sideOutputLateData(outputTag: OutputTag[T]): WindowedStream[T, K, W] = {
javaStream.sideOutputLateData(outputTag)
this
}
該方法是將遲來的數據保存至給定的outputTag參數,而OutputTag則是用來標記延遲數據的一個對象。
3、DataStream.getSideOutput(tag: OutputTag[X])
通過window等操作返回的DataStream調用該方法,傳入標記延遲數據的對象來獲取延遲的數據
4、對延遲數據的理解
延遲數據是指:
在當前窗口【假設窗口範圍爲10-15】已經計算之後,又來了一個屬於該窗口的數據【假設事件時間爲13】,這時候仍會觸發window操作,這種數據就稱爲延遲數據。
那麼問題來了,延遲時間怎麼計算呢?
假設窗口範圍爲10-15,延遲時間爲2s,則只要waterMark<15+2,並且屬於該窗口,就能觸發window操作。而如果來了一條數據使得waterMark>=15+2,10-15這個窗口就不能再觸發window操作,即使新來的數據的event-time<15+2+3
5、代碼實例講解
大概講解一下代碼的流程:
1、監聽某主機的9000端口,讀取socket數據(格式爲 name:timestamp)
2、給當前進入flink程序的數據加上waterMark,值爲eventTime-3s
3、根據name值進行分組,根據窗口大小爲5s劃分窗口,設置允許遲到時間爲2s,依次統計窗口中各name值的數據
4、輸出統計結果以及遲到數據
5、啓動Job
import org.apache.commons.lang3.time.FastDateFormat
import org.apache.flink.api.java.tuple.Tuple
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks
import org.apache.flink.streaming.api.scala.function.WindowFunction
import org.apache.flink.streaming.api.scala.{DataStream, OutputTag, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.watermark.Watermark
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.util.Collector
import scala.collection.mutable.ArrayBuffer
/**
* 延遲測試
* 詳細講解博客地址:https://blog.csdn.net/hlp4207/article/details/90717905
*/
object WaterMarkFunc02 {
// 線程安全的時間格式化對象
val sdf: FastDateFormat = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss:SSS")
def main(args: Array[String]): Unit = {
val hostName = "s102"
val port = 9000
val delimiter = '\n'
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 將EventTime設置爲流數據時間類型
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
env.setParallelism(1)
val streams: DataStream[String] = env.socketTextStream(hostName, port, delimiter)
import org.apache.flink.api.scala._
val data = streams.map(data => {
// 輸入數據格式:name:時間戳
// flink:1559223685000
try {
val items = data.split(":")
(items(0), items(1).toLong)
} catch {
case _: Exception => println("輸入數據不符合格式:" + data)
("0", 0L)
}
}).filter(data => !data._1.equals("0") && data._2 != 0L)
//爲數據流中的元素分配時間戳,並定期創建水印以監控事件時間進度
val waterStream: DataStream[(String, Long)] = data.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks[(String, Long)] {
// 事件時間
var currentMaxTimestamp = 0L
val maxOutOfOrderness = 3000L
var lastEmittedWatermark: Long = Long.MinValue
// Returns the current watermark
override def getCurrentWatermark: Watermark = {
// 允許延遲三秒
val potentialWM = currentMaxTimestamp - maxOutOfOrderness
// 保證水印能依次遞增
if (potentialWM >= lastEmittedWatermark) {
lastEmittedWatermark = potentialWM
}
new Watermark(lastEmittedWatermark)
}
// Assigns a timestamp to an element, in milliseconds since the Epoch
override def extractTimestamp(element: (String, Long), previousElementTimestamp: Long): Long = {
// 將元素的時間字段值作爲該數據的timestamp
val time = element._2
if (time > currentMaxTimestamp) {
currentMaxTimestamp = time
}
val outData = String.format("key: %s EventTime: %s waterMark: %s",
element._1,
sdf.format(time),
sdf.format(getCurrentWatermark.getTimestamp))
println(outData)
time
}
})
val lateData = new OutputTag[(String,Long)]("late")
val result: DataStream[String] = waterStream.keyBy(0)// 根據name值進行分組
.window(TumblingEventTimeWindows.of(Time.seconds(5L)))// 5s跨度的基於事件時間的翻滾窗口
/**
* 對於此窗口而言,允許2秒的遲到數據,即第一次觸發是在watermark > end-of-window時
* 第二次(或多次)觸發的條件是watermark < end-of-window + allowedLateness時間內,這個窗口有late數據到達
*/
.allowedLateness(Time.seconds(2L))
.sideOutputLateData(lateData)
.apply(new WindowFunction[(String, Long), String, Tuple, TimeWindow] {
override def apply(key: Tuple, window: TimeWindow, input: Iterable[(String, Long)], out: Collector[String]): Unit = {
val timeArr = ArrayBuffer[String]()
val iterator = input.iterator
while (iterator.hasNext) {
val tup2 = iterator.next()
timeArr.append(sdf.format(tup2._2))
}
val outData = String.format("key: %s data: %s startTime: %s endTime: %s",
key.toString,
timeArr.mkString("-"),
sdf.format(window.getStart),
sdf.format(window.getEnd))
out.collect(outData)
}
})
result.print("window計算結果:")
val late = result.getSideOutput(lateData)
late.print("遲到的數據:")
env.execute(this.getClass.getName)
}
}
接下來開始輸入數據進行測試驗證:
可以看到window範圍爲【15-20】,這時候我們再輸入幾條屬於該範圍的數據:
輸入了事件時間爲17、16、15三條數據,都觸發了window操作,那我們試着輸入一下窗口範圍爲【10-15】的數據:
窗口範圍爲【10-15】的數據則屬於遲到的數據,已經超過了最大等待時間,我們可以來試着計算一下允許上個窗口遲到數據的waterMark值
窗口結束時間+延遲時間=最大waterMark值
15 + 2 = 17
當前的waterMark值爲20,大於17,所以窗口範圍爲10-15的數據已經是遲到的數據了
再來計算一下窗口時間範圍爲15-20的臨界值:
20 + 2 = 22
即當waterMark上漲到22,15-20窗口範圍內的數據就屬於遲到數據,不能再參與計算了
記住我們算出的臨界值22,繼續輸入數據測試:
輸入數據A時,waterMark上漲至21,此時輸入屬於15-20窗口範圍內的數據B,依然能觸發窗口操作;
輸入數據C,waterMark上漲至22,等於剛纔我們算出來的臨界值,此時輸入,數據B,則已不能觸發窗口操作,屬於遲到的數據。
最後,總結一下flink對於延遲數據的處理:
如果延遲的數據有業務需要,則設置好允許延遲的時間,每個窗口都有屬於自己的最大等待延遲數據的時間限制: